还记得前段时间刷屏的豆包手机吗?
一句话就能让 AI 操作手机:自动打开 App、搜索信息、跨应用完成任务。当时不少人感叹,手机终于要进入 Agent 时代了。
但热闹过后,现实问题也来了。
豆包手机助手走的是闭源商业化路线,想体验它的深度系统集成,需要购买搭载相关能力的手机。更尴尬的是,微信、淘宝、支付宝、美团、小红书等大量主流 App,对 AI 自动化操作设置了限制。
AI 会操作,不代表 App 愿意让它操作。
那么问题来了:你还愿意花几千块钱,为一部 AI 手机买单吗?
最近,香港大学 HKUDS 团队开源了一个很有意思的项目:PhoneGo。
项目地址: https://github.com/HKUDS/PhoneGo
不用换手机,直接安装 APK
和豆包手机的系统级商业化路线相比,PhoneGo 要开放得多。
它是一款开源 Android Personal Agent。下载安装 APK,配置模型 API 和必要权限,就能在兼容的安卓手机上体验 AI 自动操作 App。不需要额外连接电脑,也不需要专门买一部 AI 手机。
你只需要告诉它想做什么:搜索信息、阅读内容、整理资料,甚至跨多个 App 传递信息。剩下的操作交给 Agent。
PhoneGo 会尽可能在后台执行任务,只有需要前台交互时才占用屏幕。
当然,开源不等于完全免费。模型 API 仍可能产生费用,部分功能也依赖设备兼容性和系统权限。
比传统 GUI Agent 更聪明:CLI + GUI 双模式
PhoneGo 真正值得关注的,其实是它的技术路线。
传统手机 Agent 基本依赖视觉模型,流程是:截图 → 理解页面 → 点击 → 再截图 → 再理解……每一步都要模型重新判断,所以慢、费 Token,还容易出错。
PhoneGo 采用 CLI + GUI 混合架构。它会为 App 构建 Navigation Map(导航地图),把熟悉的操作路径转换成可复用的命令。
- CLI: 熟悉的路径直接执行,速度快、成本低。
- GUI + Vision: 遇到陌生页面或异常情况,再让视觉模型接管。
- 自动切换: 两种方式可以在同一个任务中协同工作。
说白了,走过的路不再重复探索,未知的路才交给 AI 判断。
根据项目公布的同机同任务测试:
| 指标 |
传统 GUI Agent |
PhoneGo |
| 操作步骤 |
32 步 |
17 步 |
| 执行耗时 |
146 秒 |
64 秒 |
| Token 消耗 |
207.1k |
92.3k |
操作耗时降低约 56%,Token 消耗减少约 55%。这只是特定测试场景的结果,但足以说明这条技术路线的潜力。
豆包手机 VS PhoneGo,谁更值得选?
| 对比 |
豆包手机助手 |
PhoneGo |
| 开源情况 |
闭源 |
MIT 开源 |
| 使用门槛 |
依赖合作机型 |
兼容安卓设备安装 APK |
| 技术路线 |
系统级集成 |
CLI + GUI + Vision |
| 自定义能力 |
受商业产品限制 |
可修改、扩展 |
| 使用成本 |
设备成本及服务成本 |
现有手机 + 模型 API 成本 |
| 跨 App 操作 |
受应用生态限制 |
同样受权限与风控限制 |
需要强调的是,PhoneGo 并不是在所有方面都比豆包手机强。
豆包手机的优势在于系统级集成、产品完成度,以及与手机厂商的合作。PhoneGo 的优势则在于开放、可扩展,而且不必为了体验 Agent 专门换手机。
对普通消费者来说,系统级体验可能更省心。对 AI 开发者和技术爱好者来说,PhoneGo 显然更值得折腾。
手机 Agent 的未来,可能根本不需要一部 AI 手机
我觉得 PhoneGo 最有价值的地方,不是它能自动点击多少个 App,而是它在证明一种可能性:手机 Agent 不一定要和某个手机品牌绑定。
未来的 Personal Agent,可能就像今天安装一个 App 一样简单。下载安装、授权、连接模型,就能让 AI 帮你完成跨应用任务。
而且,随着 CLI、GUI、Tool Calling 等技术不断融合,Agent 也不必永远依赖视觉模型逐步点击屏幕。它可以把熟悉的 App 操作变成可复用的工具。
当然,开源并不能自动解决 App 厂商限制、隐私保护和系统权限问题。但至少,开发者有机会自己研究、修改和扩展这些能力,而不是只能等待手机厂商更新。这才是 PhoneGo 开源最值得期待的地方。
如果现有安卓手机装一个开源 Agent,就能完成大部分日常跨 App 操作,你还愿意花几千块钱购买一部专门的 AI 手机吗?
注:PhoneGo 的性能数据来自项目公开测试,并非与豆包手机的直接对比。两者在系统权限、兼容性及产品成熟度上存在差异。